PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390

Dimension: px
Commencer à balayer dès la page:

Download "PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390"

Transcription

1 PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS /2009 Jean BERTOIN 1

2 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas l objet de question aux examens. 2

3 Presentation du cours Dans le langage commun, la notion de probabilité a deux interprétations différentes. Interprétation fréquentielle. On fait un grand nombre d expériences qui font intervenir le hasard et qui se déroulent dans les mêmes conditions (par exemple, on jette une pièce et on regarde si pile sort). La probabilité que l expérience réussisse est à peu près la fréquence de succès, i.e. nombre de succès divisé par le nombre d expériences. Ceci correspond en fait à un résultat mathématique rigoureux (et difficile), la loi des grands nombres. Interprétation subjective. On se demande avec quelle probabilité il pleuvra sur Paris le 18 Mars 2007 à midi. Il n y a pas de sens à chercher la fréquence de succès dans un grand nombre d expériences similaires. La réponse que les météorologues peuvent donner dépend d un grand nombre de paramètres, et devient de plus en plus précise au fur et à mesure qu on se rapproche de la date en question. On a affaire à un problème de probabilités conditionnelles. Seul le premier de ces deux points de vue sera traité dans ce cours à l aide d outils mathématiques rigoureux; le second fait en partie l objet d un cours de maitrise. Nous présenterons d abord les notions de base des probabilités discrètes à l aide de la notion de famille sommable. On trouve déjà dans ce cadre simple la plupart des notions fondamentales de la théorie (variables aléatoires, moments, lois et indépendance). On introduira ensuite l axiomatique générale de Kolmogorov, reposant sur la théorie abstraite de la mesure, en faisant le parallèle avec le cas particulier discret traîté précédemment. Puis on s intéressera aux suites et aux séries de variables aléatoires indépendantes en introduisant diverses notions de convergence. On présentera deux des résultats les plus importants de la théorie: la loi des grands nombres et le théorème central limite. Enfin, on fera une brève introduction à quelques notions de statistique pour présenter des applications naturelles des concepts développés dans ce cours. Quelques références: N. Bouleau: Probabilités de l ingénieur. Hermann (1986). D. Revuz: Probalités. Hermann (1997). J. Jacod et P. Protter: Probability essentials. Springer (2000). 3

4 Chapitre 1 Espaces de Probabilités Discrets 1.1 Probabilités sur un espace fini Historiquement, tout part de la théorie des jeux de hasard (Pascal, Fermat, Bernoulli,...). On peut résoudre certains problèmes simples (en fait, souvent moins simples qu il n y parait) par des arguments combinatoires. Assez vite, ce cadre devient trop restrictif; mais il y a une très grande difficulté théorique à mettre sur pied des bases mathématiques à la fois suffisament générales et rigoureuses. Ceci est réalisé par Kolmogorov dans les années 30, et nécéssite la théorie abstraite de la mesure. Formellement, on considère un univers Ω, et on mesure la probabilité d un évènement (c està-dire une partie de Ω) par un réel compris entre 0 et 1. La difficulté principale est que l univers Ω est souvent très gros et mal connu. Le formalisme de Kolmogorov a permis un développement très substantiel de la théorie des probabilités, qui intervient aujourd hui dans de nombreux domaines même déterministes (on peut calculer des intégrales, résoudre des équations différentielles ou étudier des groupes, en utilisant des méthodes probabilistes). Cf. également la physique quantique et le principe d incertitude d Heisenberg. On va voir rapidement comment on résolvait des problemes simples à la préhistoire de la théorie. En fait, la plupart des notions importantes par la suite y figurent déjà. La modernité fera son apparition dans les chapitres ultérieurs. On considère un univers fini Ω = {ω 1,, ω n }. On appelle parfois Ω l espace de probabilité, un élément générique ω une éventualité, et une partie Λ de Ω un événement. L application P : P(Ω) [0, 1] P(Λ) = (Λ) (Ω) s appelle l équiprobabilité sur Ω (P(Ω) désigne l ensemble des parties de Ω, et (Λ) le cardinal de la partie Λ; en particulier (Ω) = n). Il est immédiat de voir que P vérifie les deux propriétés suivantes: P(Ω) = 1, P(Λ Λ ) = P(Λ) + P(Λ ) si Λ et Λ sont disjoints. 4

5 Il en découle que P(Λ c ) = 1 P(Λ), P( ) = 0 P(A B) = P(A) + P(B) P(A B). Exemple On jette trois fois une pièce non truquée. On peut représenter l univers comme l ensemble des applications de {1, 2, 3} (trois jets) dans {P, F } (P = pile, F = face). Autrement dit, Ω = {P, F } 3, et (Ω) = 2 3 = 8. Il est alors très facile de voir que P(on sort exactement une fois P ) = 3/8, P(on sort au moins une fois P ) = 1- P(on sort trois F ) = 1-1/8 = 7/8. Exemple On considère l arrivée d une course de chevaux, avec dix partants, numérotés de 1 à 10. On note l ordre d arrivée. On suppose que les concurrents sont de force égale. L univers Ω est l ensemble des injections de {1,, 10} dans lui-même. En particulier (Ω) = 10!. On a alors P(le numéro 10 arrive dernier) = (w Ω : ω(10) = 10) /10! = 1 nombre d injections 10! de {1,, 9} dans lui même = 9! = 1/10. 10! Calculer maintenant la probabilité pour que le numéro 10 arrive dans les trois premiers. (réponse: 3/10). Exemple On considère une urne contenant dix boules noires et trois rouges. On en tire simultanément deux. L univers Ω est alors l ensemble des parties à deux éléments d un ensemble à treize éléments. Donc (Ω) = ( 13 2 ) = 13!. On en déduit par exemple 2! 11! que P(on ne tire aucune boule rouge) =( 10 2 ) / ( 13 2 ) = 10! 2! 11! = 90 2! 8! 13! 156 Ces exemples très simples ne doivent pas cacher la difficulté à trouver le bon modèle mathématique pour traiter un problème donné. Un modèle qui semble être naturel peut se réveller erroné. Voyons quelques raisonnements faussés. Exemple On met de l argent dans deux enveloppes indistinguables, l une contient deux fois plus que l autre (on ne précise pas les sommes). Un joueur choisit une enveloppe au hasard. Il l ouvre et compte l argent. On lui propose alors de laisser l argent qu il a eu et de prendre celui qu il y a dans l enveloppe encore fermée. A- t-il intéret à le faire? On pourrait faire raisonnement faux suivant: Si on note X la somme dans l enveloppe ouverte, l enveloppe fermée contient soit X/2, soit 2X, chaque fois avec probabilité 1/2. L espérance de son gain s il change serait donc 1 (X/2) + 1 (2X) = 5X/4 > X, et on pourrait conclure que le joueur a intérèt à 2 2 changer. Bien sûr, le sens commun nous dit que ça ne devrait pas être le cas, que l espérance de son gain devrait être la même (sinon, il aurait encore intérèt à changer à nouveau, et on reviendrait à la situation de départ). Pour poser rigoureusement le problème, il faut noter x et 2x l argent que contiennent les deux enveloppes. L univers est tout simplement Ω = {x, 2x} (somme présente dans l enveloppe que tire le joueur). L espérance de son gain s il ne change pas est 1x + 12x = 3 x. L espérance de son gain s il change est 12x + 1x = 3 x; c est bien la même qu avant Exemple Un responsable de jeux dispose de trois enveloppes de couleurs différentes. Il met de l argent dans l une, et du papier journal dans les deux autres. Il fait entrer un joueur et lui fait choisir une enveloppe qu il garde fermée. Parmi les deux enveloppes restantes, il y en a toujours au moins une qui contient du papier journal. 5

6 Le responsable ouvre alors une de ces deux enveloppes dont il sait qu elle contient du papier journal, et propose au joueur de changer l enveloppe qu il a en main contre celle qui reste. Le joueur y a-t-il intérèt? Au vu de l exemple précédent, on pourrait croire hâtivement que ça ne changerait rien. En fait, ce n est pas le cas. En effet, considérons l événement Λ que le joueur gagne l argent s il décide de ne pas changer l enveloppe, et l événement Λ joueur gagne l argent s il décide de changer l enveloppe. Les événements Λ et Λ sont complémentaires (ils sont disjoints et leur union, c est l univers tout entier). La probabilité de Λ est à l évidence 1/3. Celle de Λ est donc 1 1/3 = 2/3. Ainsi, le joueur a deux fois plus de chances de gagner s il change son choix que s il le conserve. L équi-probabilité sur un univers fini est la structure probabiliste la plus simple qu on peut concevoir, puisque toutes les éventualités ont la même probabilité. Plus généralement, on appelera probabilité sur Ω = {ω 1,, ω n } toute application P : P(Ω) [0, 1] qui vérifie les axiomes suivants: P(Ω) = 1, P(Λ Λ ) = P(Λ) + P(Λ ) si Λ et Λ sont disjoints. On déduit immédiatement qu on a encore P(Λ c ) = 1 P(Λ), P( ) = 0 P(A B) = P(A) + P(B) P(A B). Il est immédiat de voir que qu une probabilité P est caractérisée par la donnée des probabilités élémentaires p(ω i ) = P({ω i }), i = 1,, n. En effet on a P(Λ) = p(ω i ), Λ P(Ω). En particulier n i=1 p(ω i ) = 1. i:ω i Λ Exemple Une urne contient dix milliards de boules rouges et cinq milliards de noires, toutes indiscernables au toucher. On en tire quatre simultanément. Estimer la probabilité d avoir tiré au moins une boule rouge? On pourrait bien sûr traiter cette question avec l équiprobabilité; cependant ça ferait intervenir des nombres considérables. Comme on ne demande qu une estimation, on peut raisonner de la façon suivante. Compte tenu du grand nombre de boules dans l urne, tout se passe presque comme si on effectuait un tirage successif avec remise. La probabilité de tirer une boule noire lors d un tirage est de 1/3. La probabilité de tirer quatre boules noires est donc voisine de (1/3) 4 = 1/81. La probabilité d avoir tiré au moins une boule rouge est donc proche de 1 1/81 0, Exemple On jette deux dés; on prend comme univers les valeurs possibles pour la somme des faces obtenues, c est-à-dire Ω = {2, 3,..., 12}. Calculer p(ω) pour ω Ω. 1.2 Préliminaires sur les familles sommables. Dans tout le reste de ce chapitre, Ω désignera un ensemble au plus dénombrable, c està-dire qu il existe une application surjective qui envoie N sur Ω. On note ω l élément 6

7 générique de Ω et P(Ω) l ensemble des parties de Ω. On rappelle que partie non vide P de [0, [ est dite bornée s il existe un réel M tel que x M pour tout x P. Un tel réel M s appelle un majorant de P. L ensemble des majorants de P admet alors un minimum, qu on note sup P. Autrement dit, M = sup P si et seulement si x M pour tout x P et M M pour tout majorant M de P. Si P n est pas bornée, on pose sup P =. On considère une application a : Ω [0, [. Pour toute partie finie F = {ω 1,, ω n } de Ω, on pose n a(ω) = a(ω i ). F Comme l addition est commutative, cette notion ne dépend pas de la façon dont on a numéroté les éléments de F. Définition On pose i=1 { } a(ω) = sup a(ω) : F partie finie de Ω. Ω F On dit que la famille (a(ω), ω Ω) est sommable si Ω a(ω) <. Par exemple, si Ω est un ensemble fini, toute famille réelle positive indexée par Ω est sommable. On observe le résultat élémentaire suivant: si (a(ω), ω Ω) et (a (ω), ω Ω) sont deux familles positives et si pour tout ω Ω on a a(ω) a (ω), alors Ω a(ω) Ω a (ω). En particulier, si la famille (a (ω), ω Ω) est sommable, il en est de même pour la famille (a(ω), ω Ω). Proposition Si Ω = N, alors Ω a(ω) = n=0 a(n). Preuve: Par définition, n=0 a(n) est la limite croissante quand N de la suite Nn=0 a(n). En prenant F N = {0, 1,, N}, on a l inégalité Ω a(ω) n=0 a(n). Pour le sens inverse, toute partie finie F de Ω, on prend N = sup F, de sorte que F F N ; et il en découle que F a(ω) N i=0 a(i) i=0 a(i). Considérons maintenant une application b : Ω ], [. On dit que la famille (b(ω), ω Ω) est sommable si la famille ( b(ω), ω Ω) l est. Dans ce cas, on peut encore définir Ω b(ω) de la façon suivante. Rappelons que tout réel x s écrit comme la différence de sa partie positive x + (qui vaut x + = x si x 0 et x = 0 sinon) et de sa partie négative x (qui coincide avec la partie positive de x). Si la famille ( b(ω), ω Ω) est sommable, les deux familles positives (b(ω) +, ω Ω) et (b(ω), ω Ω) le sont également puisque b ± (ω) b(ω), et on définit On a alors le résultat suivant. b(ω) = b(ω) + b(ω). Ω Ω Ω 7

8 Proposition Supposons que la famille (b(ω), ω Ω) est sommable, et soit (F n, n N) une suite croissante de parties finies de Ω telle que n N F n = Ω. Alors la suite b(ω), n N F n converge quand n et sa limite vaut Ω b(ω). Enfin on a l inégalité Ω b(ω) Ω b(ω). Preuve: La première assertion découle de la commutativité de l addition et de la proposition précédente. Plus précisément, F n étant fini, on a F n b(ω) = F n b(ω) + F n b(ω) et on sait que les deux termes du membre de droite convergent vers Ω b(ω) + et Ω b(ω), respectivement. L inégalité dans la seconde assertion est évidente de la définition même de Ω b(ω). Il découle immédiatement de cette proposition que quand Ω = N, la famille (b(ω), ω Ω) est sommable si et seulement si la série b(n) est absolument convergente, et alors Ω b(ω) = 0 b(n). Nous allons maintenant poursuivre cette section en démontrant deux propriétés fondamentales de la somme d une famille sommable. Linéarité Si (b(ω), ω Ω) et (b (ω), ω Ω) sont deux familles sommables, et si α, α sont deux réels, alors la famille (αb(ω) + α b (ω), ω Ω) est elle aussi sommable et ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω). Ω Ω Ω Preuve: Pour toute partie finie F Ω, on a ( ) ( ) (αb(ω) + α b (ω)) α b(ω) + α b (ω), F F F et comme (b(ω), ω Ω) et (b (ω), ω Ω) sont sommables, il en est de même pour (αb(ω) + α b (ω), ω Ω). De plus, on a l égalité ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω) F F F pour toute partie finie F. En considérant une suite croissante de parties finies (F n, n N) telle que Ω = F n, on conclut qu on a bien ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω). Ω Ω Ω 8

9 Sommation par paquets Soit I un ensemble fini ou dénombrable, et (Ω i, i I) une partition de Ω, c est-a-dire que Ω i P(Ω), Ω i Ω j = si i j, et Ω = I Ω i. Soit (b(ω), ω Ω) une famille sommable. Alors pour tout i I, la sous-famille (b(ω), ω Ω i ) est sommable. Si on note σ(i) = Ω i b(ω), alors la famille (σ(i), i I) est elle aussi sommable, et σ(i) = b(ω) = b(ω). I I Ω i Ω Preuve: Pour tout i I et toute partie finie F i Ω i, F i est a fortiori une partie finie de Ω, et il est alors immédiat que la sous-famille (b(ω), ω Ω i ) est sommable. Pour montrer la formule de sommation par paquets, supposons tout d abord que l ensemble I est fini. Pour chaque indice i, considérons une suite croissante de parties finies de Ω i, (Fn, i n N) telle que n N Fn i = Ω i. Posons pour chaque entier n: F n = i I Fn i (on notera que c est une union d ensembles disjoints), de sorte que (F n, n N) est une suite croissante de parties finies de Ω telle que n N F n = Ω. On a I F i n b(ω) = b(ω), F n puis en faisant tendre n vers l infini, on trouve bien b(ω) = b(ω). I Ω i Ω Supposons finalement que I est dénombrable, et considérons une sous-partie finie J I. Posons Ω J = j J Ω j, de sorte qu on a d après ce qui précède b(ω) J Ω j J Ω j b(ω) = b(ω) b(ω). ΩJ Ω Ceci montre que la famille (σ i, i I) est bien sommable. Considérons ensuite une suite croissante (J(k), k N) de parties finies de I avec J(k) = I. On a alors ΩJ(k) = j J(k) Ω j. On sait donc que pour tout k J(k) σ(j) = J(k) Ω j b(ω) = b(ω). Ω J(k) Comme (b(ω), ω Ω) est sommable, pour tout ε > 0, on peut trouver une partie finie F Ω telle que b(ω) < ε pour tout Ω Ω F. Ω Or Ω J(k) = Ω, de sorte qu il existe un entier k 0 tel que F Ω J(k) pour tout k k 0. En particulier, on a alors pour k k 0 b(ω) σ(j) = b(ω) b(ω) ε. Ω J(k) Ω Ω J(k) Ω F 9

10 En faisant tendre ε vers 0, on voit que la formule de sommation par paquets est correcte. Un cas particulièrement important est celui où Ω est un espace produit, disons Ω = I J. On définit Ω i := {i} J pour tout i I. Dans ce contexte, la formule de sommation par paquets prend la forme b(i, j) = σ i = σ j, I J I J où σ i = J b(i, j), σ j = I b(i, j), et b : I J R désigne une famille sommable. On fait alors référence à l identité précédente comme le théorème de Fubini. Nous allons maintenant conclure cette section en présentant quelques résultats fondamentaux pour les limites de familles sommables. Théorème (i) (convergence monotone) Pour chaque entier n, soit a n : Ω R + une application positive. On suppose que pour chaque ω Ω, la suite a n (ω) est croissante, et on note a(ω) sa limite. On a alors lim a n (ω) = a(ω). n Ω Ω (ii) (lemme de Fatou) Pour chaque entier n, soit a n : Ω R + une application positive. On a alors lim inf a n (ω) lim inf a n(ω). n n Ω Ω (iii) (théorème de convergence dominée, dit de Lebesgue) Pour chaque entier n, soit b n : Ω R une application. On suppose que pour chaque ω Ω, la suite b n (ω) converge vers une limite notée b(ω). On suppose de plus qu il existe a : Ω R + sommable telle que b n (ω) a(ω) pour tout n N et tout ω Ω. On a alors lim n Ω b n (ω) = Ω b(ω). Preuve : (i) Soit F Ω une partie finie. On a alors pour chaque entier n que F a n (ω) F a(ω), d où en prenant le supremum sur les parties finies, Ω a n (ω) Ω a(ω). Cette inegalité étant valable pour tout entier n, on a donc lim sup a n (ω) a(ω). n Ω Ω Par ailleurs, pour toute partie finie F, on a également lim n F a n (ω) = F a(ω), et comme Ω a n (ω) F a n (ω), il en découle que lim inf a n (ω) a(ω). n Ω F Cette inégalité est valable pour toute partie finie F, d où lim inf a n (ω) a(ω). n Ω Ω 10

11 (ii) Posons a n (ω) = inf k n a k (ω), de sorte que la suite a n (ω) est croissante et a pour limite lim inf n a n (ω). On a alors Ω a n (ω) Ω a k (ω) pour tout k n, d où a n (ω) inf a k (ω). k n Ω On fait ensuite tendre n vers l infini et on applique le lemme de convergence monotone ci-dessus. (iii) Supposons dans un premier temps que les fonctions b n sont positives. On peut alors appliquer le lemme de Fatou qui donne lim inf n Ω b n (ω) b(ω). Ω Ω De même, en travaillant cette fois avec les fonctions positives a b n, on obtient lim inf n (a(ω) b n (ω)) (a(ω) b(ω)). Ω Ω Par linéarité, il vient alors lim sup n b n (ω) Ω Ω b(ω), ce qui établit le résultat. Enfin, le cas où les b n ne sont pas nécessairement positifs en découle par séparation des parties positives et négatives. 1.3 Mesure de probabilité On utilisera désormais le langage probabiliste au lieu du langage ensembliste, à savoir qu on appellera Ω l univers, les parties de Ω des événements, et un élément ω Ω un événement élémentaire. On appelle mesure de probabilité sur Ω une application P : P(Ω) [0, 1] qui vérifie les axiomes suivants. A-1: P(Ω) = 1 A-2: Si Λ et Λ sont deux parties disjointes de Ω, alors P(Λ Λ ) = P(Λ) + P(Λ ). A-3: Si (Λ n, n N) est une suite croissante d événements, alors P( Λ n ) = lim n P(Λ n ). En utilisant A-2 et en passant aux événements complémentaires, on voit qu on peut aussi écrire A-3 sous la forme équivalente: A-3(bis) Si (Λ n, n N) est une suite décroissante d événements, alors P( Λ n ) = lim n P(Λ n ). 11

12 L axiome A-3 n est utile que lorsque l univers Ω est infini. En effet, dans un univers fini, toute suite croissante d événements est stationnaire (c est-à-dire constante à partir d un certain rang), et A-3 est trivialement satisfait. La mesure de probabilité P induit en particulier une application p : Ω [0, 1], donnée par p(ω) = P({ω}). Proposition. Pour tout événement Λ, on a P(Λ) = Λ p(ω). Preuve: C est évident si Λ = {ω} est un singleton. En appliquant le second axiome, la proposition est encore vérifiée si Λ est un doubleton, et par récurrence, on voit que la proposition est vraie si Λ est un événement fini. Passons au cas où Λ est infini. On peut numéroter ses éléments, Λ = {ω 0,, ω n, }, et pour tout entier n, on pose Λ n = {ω 0,, ω n }. On sait que P(Λ n ) = n 0 p(ω i ). La suite des événements Λ n est croissante, sa limite est Λ, et on déduit de l axiome A-3 que P(Λ) = p(ω i ). D après un résultat vu dans la première section, on sait que le terme de droite est égal à Λ p(ω). 0 En particulier, (p(ω), ω Ω) est une famille sommable à valeurs positives et telle que Ω p(ω) = 1 (d après l axiome A-1). On a une réciproque: Proposition Soit (p(ω), ω Ω) est une famille sommable à valeurs positives et telle que Ω p(ω) = 1. Pour tout Λ P(Ω), on pose P(Λ) = Λ p(ω). Alors P est une mesure de probabilité sur Ω. Preuve: L axiome A-1 est immédiatement vérifié. Pour établir A-2, considérons deux événements disjoints, Λ et Λ. Si Λ et Λ sont tous les deux finis, on a bien ( ) ( ) p(ω) = p(ω) + p(ω) Λ Λ Λ (par commutativité de l addition). Passons au cas général. Pour tout ε > 0, on peut trouver une partie finie F Λ et une partie finie F Λ telles que p(ω) p(ω) < ε et p(ω) p(ω) < ε. Λ F Λ F Comme Λ et Λ sont disjoints, il en est de même pour F et F, et on déduit que p(ω) + p(ω) p(ω) 2ε. Λ Λ F F 12 Λ

13 Or F F est une partie finie de Λ Λ, et comme ε est arbitrairement petit, on a p(ω) + p(ω) p(ω). Λ Λ Λ Λ Pour établir l inégalité inverse, on se donne une partie finie G Λ Λ, qu on peut écrire sous la forme G = F F, où F Λ et F Λ sont toutes deux finies. On a donc p(ω) = p(ω) + p(ω) p(ω) + p(ω). G F F Λ Λ En prenant le supremum sur les parties finies G, on a bien p(ω) + p(ω) p(ω). Λ Λ Λ Λ Vérifions maintenant l axiome A-3. Soit (Λ n, n N) une suite croissante d évènements; posons Λ = Λ n. La suite réelle Λ n p(ω), n N est croissante, elle admet donc une limite que nous notons l. Si F Λ est un évènement fini, alors il existe un entier n tel que F Λ n et on déduit que l Λ p(ω). Réciproquement, on a Λ n Λ pour tout entier n, et donc p(ω) p(ω) ; Λ n Λ en faisant tendre n vers, ceci entraine l Λ p(ω). 1.4 Variables aléatoires discrètes et leurs lois Une variable aléatoire est une application X sur Ω, à valeurs dans un certain ensemble E. Le plus souvent, E = N, Z, R ou R d. De façon informelle, une variable aléatoire represente l effet de l aléas sur une expérience; par exemple X peut representer le gain d un joueur à la loterie... Une variable aléatoire permet de transporter la mesure de probabilité P sur Ω en une mesure de probabilité sur l ensemble des valeurs prises par X. Proposition et Définition Pour tout sous-ensemble E E, on note {X E } = {ω Ω : X(ω) E }. L application P X : P(E) [0, 1] définie par P X (E ) = P({X E }), E P(E) est une mesure de probabilité sur P(E). On l appelle la loi de la variable aléatoire X, ou encore sa distribution. Preuve: On a P X (E) = P({X E}) = 1, et donc l axiome A-1 est satisfait. Si E 1 et E 2 sont deux parties disjointes de E, alors les événements {X E 1 } et {X E 2 } sont contradictoires et donc P X (E 1 E 2 ) = P({X E 1 E 2 }) = P({X E 1 } {X E 2 }) = P({X E 1 } + P({X E 2 }) = P X (E 1 ) + P X (E 2 ). 13

14 Ceci établit A-2. Enfin, soit (E n, n N) une suite croissante de parties de E; on note E = E n. La suite d événements {X E n } est elle aussi croissante, et on vérifie immédiatement que {X En } = {X E }. On a donc lim P X(E n ) = lim n n P ({X E n }) = P ({X E }) = P X (E ), et A-3 est démontré. Si on note {x n, n I} l ensemble des valeurs que peut prendre X (l ensemble I est nécessairement au plus dénombrable, puisque c est le cas pour Ω), on voit donc que la loi de X est caractérisée par la donnée de p X (x i ) = P X ({x i }) = P({X = x i }), i I. Plus précisément, on a pour tout E E P X (E ) = x E p X (x). Nous allons maintenant supposer que X est une variable aléatoire réelle, c est-à-dire que E = R. Définition On appelle fonction de répartition de X la fonction F X : R [0, 1] donnée par: F X (x) = P X (], x]) = P({X x}), x R. Nous allons montrer maintenant qu une fonction de répartition vérifie les propriétés élémentaires suivantes. Proposition (i) La fonction F X est croissante, avec lim F X(x) = 0 et lim F X (x) = 1. x x (ii) La fonction F X est continue à droite, sa limite à gauche au point x vaut F X (x ) = (iii) Pour tout x R, on a lim F X(y) = P X (], x[). y x p X (x) = P({X = x}) = F X (x) F X (x ) ; en particulier, la fonction de répartition F X caractérise la loi de X. 14

15 preuve: (i) Si x x, alors ], x] ], x ] et on a bien F X (x) F X (x ). Comme ], [= n N], n], on a lim F X(n) = P X (], [) = 1. n De même ], [= n N] n, [ et comme F X ( n) = 1 P X (] n, [), on a donc 1 lim n F X ( n) = P X (], [) = 1. (ii) Soit (x n, n N) une suite réelle qui décroît vers x. La suite des évènements {X x n } est décroissante et {X x} = {X x n }. On a donc F X (x) = lim F X (x n ). Supposons maintenant que (x n, n N) est une suite strictement croissante qui converge vers x. Alors la suite des événements {X x n} est croissante et {X < x} = {X x n}. On a donc F X (x ) = lim F X (x n). (iii) Il suffit d écrire {X x} = {X < x} {X = x} et d appliquer A Moments d une variable aléatoire réelle On suppose à nouveau que X est une variable aléatoire réelle, et on introduit la notion suivante: Définition Si la famille { X(ω) p(ω), ω Ω} est sommable, on dit que X admet un moment d ordre 1 et on pose E(X) = Ω X(ω)p(ω). On appelle cette quantité l espérance, ou la moyenne, de X. Plus généralement, pour tout réel k > 0, on dit que X admet un moment d ordre k si la variable aléatoire X k admet un moment d ordre 1. Il est immédiat de voir que si la variable X est bornée, c est-à-dire s il existe un réel M > 0 tel que X(ω) M pour tout ω Ω, alors X admet des moments de tous ordres. C est le cas en particuler lorsque l univers Ω est fini. L espérance satisfait les propriétés suivantes: Proposition (i) Si la variable aléatoire X admet un moment d ordre 1, et si {x i, i I} désigne l ensemble des valeurs prises par X, alors la famille (x i P({X = x i }), i I) est sommable et E (X) = x i P({X = x i }). i I (ii) Si X et Y sont deux variables aléatoires qui admettent toutes les deux un moment d ordre 1, alors pour tout α, β R, c est aussi le cas pour la variable αx + βy et on a E (αx + βy ) = αe(x) + βe(y ). 15

16 Preuve: (i) Posons Ω i = {ω Ω : X(ω) = x i }. La famille {Ω i, i I} est une partition de Ω, et il ne reste qu à appliquer la formule de sommation par paquets. (ii) C est une conséquence de la linéarité de la somme pour les familles sommables. Proposition et définition Si X admet un moment d ordre 2, alors il admet également un moment d ordre 1. On pose alors Var(X) = E(X 2 ) E(X) 2, et on appelle cette quantité la variance de X. On a l identité Var(X) = E ( (X E(X)) 2). En conséquence, Var(X) 0, on appelle σ = Var(X) l écart-type de X. Preuve: En considérant la partition de l univers en Ω = { X 1} { X > 1}, on déduit que X(ω) p(ω) p(ω) + X(ω) 2 p(ω) P({ X 1}) + E(X 2 ), Ω { X 1} { X >1} ce qui montre que X a un moment d ordre 1. Ensuite, il suffit de poser m = E(X) et d écrire E((X m) 2 ) = E(X 2 2mX + m 2 ) = E(X 2 ) 2mE(X) + m 2 = E(X 2 ) m 2. Les notions d espérance et de variance sont très utile pour estimer la queue de la distribution d une variable aléatoire. Inégalité de Markov Soit X une variable aléatoire qui admet un moment d ordre 1. Pour tout réel a > 0, on a P ({ X a}) a 1 E( X ). Preuve: Il suffit d écrire E ( X ) = Ω X(ω) p(ω) X(ω) p(ω) X(ω) a X(ω) a ap(ω) = ap ({ X a}). Inégalité de Bienaymé-Chebitchev Soit X une variable aléatoire qui admet un moment d ordre 2. Pour tout réel a > 0, on a P ({ X E(X) a}) a 2 Var(X). 16

17 Preuve: Pour simplifier, posons m = E(X). On a P ( X m a) = P ( X m 2 a 2), et il ne reste qu à appliquer l inégalité de Markov. Corollaire Une variable aléatoire est constante avec probabilité 1 si et seulement si sa variance est nulle. Elle est alors égale à sa valeur moyenne. Preuve: Si X a une variance nulle, alors l inégalité de Bienaymé-Chebitchev entraine que pour tout ε > 0, P({ X E(X) > ε}) = 0, c est-à-dire P({X = E(X)}) = 1. La réciproque est évidente. 1.6 Fonction génératrice d une v.a. à valeurs entières On suppose dans cette partie que X est une v.a. qui prend toutes ses valeurs dans N. Définition On appelle fonction génératrice de X la fonction G X : [0, 1] [0, 1] donnée par G X (s) = E(s X ) = s n P(X = n). n=0 (On utilise la convention 0 0 = 1 dans le cas s = n = 0.) Proposition La fonction génératrice est une fonction entière sur [0, 1], de rayon de convergence supérieur ou égal à 1. Elle détermine la loi de X, plus précisément on a pour tout entier n P(X = n) = G(n) X (0), n! où G (n) X désigne la dérivée n-ième de G X. Preuve: Le fait que G X soit une fonction entière est clair sur sa définition. Comme la série correspondant à G X (1) a tous ses coéfficients positifs et que G X (1) = E(1 X ) = 1, le rayon est au moins égal à 1. La formule qui donne les coefficients d une série entière en fonction de ses dérivées à l origine termine la preuve. Exemples fondamentaux Prenons pour X une variable de Bernoulli de paramètre p [0, 1], c est-à-dire P(X = 1) = p, P(X = 0) = 1 p. On a G X (s) = 1 p + sp. Prenons pour X une variable binomiale de paramètres (n, p), où n N et p [0, 1], c est-à-dire P(X = k) = ( n k) p k (1 p) n k, k = 0, 1,, n. (Pour vérifier que n 0 P(X = k) vaut bien 1, il suffit d appliquer la formule de Newton.) 17

18 On a d après la formule de Newton: G X (s) = n ( n k) p k (1 p) n k s k = (ps + 1 p) n. k=0 Prenons pour X une variable géométrique de paramètre p ]0, 1[, c est-à-dire P(X = n) = (1 p)p n n N. (Pour vérifier que 0 P(X = n) vaut bien 1, il suffit d appliquer la formule pour la somme d une série géométrique.) On a alors G X (s) = s n (1 p)p n = n=0 1 p 1 sp. Prenons pour X une variable de Poisson de paramètre c > 0, c est-à-dire On a alors c cn P(X = n) = e n!, n N. G X (s) = e c n=0 s n cn n! = e c e cs = e c(s 1). 1.7 Variables aléatoires indépendantes Soient X 1,, X n E 1,, E n. une famille de n variables aléatoires discrètes, à valeurs dans Définition. On dit que les v.a. X 1,, X n sont indépendantes si P (X 1 = x 1,, X n = x n ) = n P(X i = x i ) i=1 pour tout x 1 E 1,, x n E n. Il convient de prendre garde au point suivant: il existe des variables X 1, X 2, X 3 qui sont deux à deux indépendantes sans que le triplet le soit. Par exemple, si B 1 et B 2 sont deux variables de Bernoulli indépendantes, on peut prendre X 1 = B 1, X 2 = B 2 et X 3 = B 1 B 2. Il est immédiat de renforcer cette propriété. Proposition. Les v.a. X 1,, X n sont indépendantes si et seulement si E (f 1 (X 1 ) f n (X n )) = n E(f i (X i )), i=1 pour toutes les fonctions bornées f i : E i R. 18

19 Preuve: Pour simplifier, nous supposerons n = 2; le cas général est analogue mais avec des notations plus lourdes E (f 1 (X 1 )f 2 (X 2 )) = ω Ω f 1 (X 1 (ω))f 2 (X 2 (ω))p(ω) = f 1 (x 1 )f 2 (x 2 )P(X 1 = x 1, X 2 = x 2 ) (sommation par paquets) E 1 E 2 = f 1 (x 1 )f 2 (x 2 )P(X 1 = x 1 )P(X 2 = x 2 ) (indépendance) E 1 E 2 = f(x 1 )P(X 1 = x 1 ) f(x 2 )P(X 2 = x 2 ) E 1 x 2 E 2 (sommation par paquets) = E(f 1 (X 1 ))E(f 2 (X 2 )). La réciproque est évidente. Voici une application simple de ce résultat. Corollaire Si X et Y sont deux variables aléatoires réelles indépendantes qui admettent toutes les deux un moment d ordre deux, alors Var(X + Y ) = Var(X) + Var(Y ). Preuve: Grâce à la linéarité et à l indépendance, on a E((X + Y ) 2 ) = E ( X 2 + 2XY + Y 2) = E(X 2 ) + 2E(X)E(Y ) + E(Y 2 ) E(X + Y ) 2 = E(X) 2 + 2E(X)E(Y ) + E(Y ) 2, ce qui conduit au résultat en prenant la différence. Les fonctions génératrices sont très utiles pour étudier les sommes de variables indépendantes comme le montre le résultat suivant. Corollaire Si X 1,, X n sont n variables aléatoires à valeurs entières indépendantes, alors la fonction génératrice de la variable X X n est le produit des fonctions génératrices, G X1 + +X n = n i=1 G Xi. Preuve: On a pour tout s [0, 1]: G X1 + +X n (s) = E ( s X 1+ +X n ) = E ( s X1 s Xn ) = n E ( ) s X n i = G Xi (s). i=1 i=1 Corollaire Soit X 1,, X n, n variables indépendantes qui suivent toutes la loi de Bernoulli de paramètre p, 0 < p < 1. Alors S = X X n suit la loi binomiale de paramètres (n, p). Preuve: D après la proposition précédente, la fonction génératrice de S est G S = G n X, où X désigne une variable de Bernoulli de paramètre p. Comme G X (s) = 1 p + sp, on a donc G S (s) = (1 p + sp) n, qui est la fonction génératrice de la loi binomiale de 19

20 paramètres (n, p). Comme la fonction génératrice caractérise la loi, le corollaire est démontré. On peut démontrer de la même manière que si X et X sont deux variables indépendantes qui suivent des lois de Poisson de paramètres c et c, respectivement, alors X + X suit encore un loi de Poisson de paramètre c + c (exercice). 20

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Théorie de la Mesure et Intégration

Théorie de la Mesure et Intégration Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements

Plus en détail

Théorie de la Mesure et Intégration

Théorie de la Mesure et Intégration Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

4. Martingales à temps discret

4. Martingales à temps discret Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les

Plus en détail

P1 : Corrigés des exercices

P1 : Corrigés des exercices P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures gaussiennes et espaces de Fock Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première

Plus en détail

Intégrale de Lebesgue

Intégrale de Lebesgue Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................

Plus en détail

Calculs de probabilités conditionelles

Calculs de probabilités conditionelles Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Introduction à la Topologie

Introduction à la Topologie Introduction à la Topologie Licence de Mathématiques Université de Rennes 1 Francis Nier Dragoş Iftimie 2 3 Introduction Ce cours s adresse à des étudiants de Licence en mathématiques. Il a pour objectif

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en détail

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement

Plus en détail

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch 2. Probabilité 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance Probabilité et Statistiques I Chapître 2 1 2.1 Espaces de Probabilité Contenu Exemples élémentaires de probabilité,

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Petits jeux de probabilités (Solutions)

Petits jeux de probabilités (Solutions) Petits jeux de probabilités (Solutions) Christophe Lalanne En famille 1. Mon voisin a deux enfants dont l un est une fille, quelle est la probabilité pour que l autre soit un garçon? Une famille de deux

Plus en détail

Événements et probabilités, probabilité conditionnelle et indépendance

Événements et probabilités, probabilité conditionnelle et indépendance Chapitre 1 Événements et probabilités, probabilité conditionnelle et indépendance On cherche ici à proposer un cadre mathématique dans lequel on puisse parler sans ambiguité de la probabilité qu un événement

Plus en détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Probabilités conditionnelles Loi binomiale

Probabilités conditionnelles Loi binomiale Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard

Plus en détail

Théorie de la mesure. S. Nicolay

Théorie de la mesure. S. Nicolay Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

Cours de Probabilités et de Statistique

Cours de Probabilités et de Statistique Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Chapitre 2. Eléments pour comprendre un énoncé

Chapitre 2. Eléments pour comprendre un énoncé Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Probabilités. C. Charignon. I Cours 3

Probabilités. C. Charignon. I Cours 3 Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

MA6.06 : Mesure et Probabilités

MA6.06 : Mesure et Probabilités Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Introduction au Calcul des Probabilités

Introduction au Calcul des Probabilités Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES 1 Les énoncés La plupart des phrases que l on rencontre dans un livre

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015 Indépendance de deux évènements Chapitre 2 : Le modèle probabiliste - Indépendance d évènements 15 janvier 2015 Sommaire 1 Indépendance de deux évènements 2 Indépendance de deux évènements Approche intuitive

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Probabilités et statistique. Benjamin JOURDAIN

Probabilités et statistique. Benjamin JOURDAIN Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

Intégration sur des espaces produits

Intégration sur des espaces produits Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure

Plus en détail

CONCOURS 2015 Programme des classes préparatoires

CONCOURS 2015 Programme des classes préparatoires CONCOURS 2015 Programme des classes préparatoires Voie économique et commerciale option scientifique option économique option technologique Voie littéraire Filière B/L Lettres et Sciences Sociales Filière

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME D UNE OPTION D ACHAT OU DE VENTE Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,

Plus en détail

Logique. Plan du chapitre

Logique. Plan du chapitre Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Formules d inclusion-exclusion

Formules d inclusion-exclusion Université de Rouen L1 M.I.EEA 2011 2012 Mathématiques discrètes Formules d inclusion-exclusion Je présente ici une correction détaillée de l Exercice 5 de la Feuille d exercices 1, en reprenant le problème

Plus en détail